使用小波变换对图像进行分解，对每个子带进行阈值处理，然后进行逆变换得到去噪后的图像。具体实例

以下是一个使用小波变换进行图像去噪的示例：

1. 读取一张带噪声的图像，并将其转换为灰度图像。

import cv2
import numpy as np

img = cv2.imread('noisy_img.jpg', 0)

2. 进行小波分解。

import pywt

# 小波分解
coeffs = pywt.wavedec2(img, 'haar', level=3)

在这个例子中，我们使用 haar 小波作为基础小波进行分解，分解的级别为 3。

3. 对每个子带进行阈值处理。

# 阈值处理
coeffs_thresh = []
for i, coeff in enumerate(coeffs):
    if i == 0:
        # 对低频分量进行阈值处理
        thresh = np.std(coeff) / 2
        coeff_thresh = pywt.threshold(coeff, thresh, mode='soft')
    else:
        # 对高频分量进行阈值处理
        thresh = np.std(coeff) / 1.5
        coeff_thresh = pywt.threshold(coeff, thresh, mode='soft')
    coeffs_thresh.append(coeff_thresh)

在这个例子中，我们使用了软阈值处理，通过计算每个子带的标准差来确定阈值。低频分量的阈值为标准差除以 2，高频分量的阈值为标准差除以 1.5。

4. 进行小波重构。

# 小波重构
img_denoised = pywt.waverec2(coeffs_thresh, 'haar')

在这个例子中，我们使用了逆 haar 小波进行重构。

5. 展示去噪后的图像。

# 展示去噪后的图像
cv2.imshow('Denoised Image', img_denoised)
cv2.waitKey(0)
cv2.destroyAllWindows()

通过以上步骤，我们可以得到一个去噪后的图像。需要注意的是，在实际应用中，需要根据具体情况调整阈值等参数，以获得最佳的去噪效果。